Un Algoritmo Genético
Mejorado para la
Calibración de Modelos
Hidrológicos
CI71F – MODELACIÓN HIDROLÓGICA
JAIME VERGARA A.
Sobre el documento
Título original: An Improved Genetic Algorithm for Hydrological Model Calibration
Autores: Jungang Luo, Jiancang Xie, Yuxin Ma, Gang Zhang (Instituto de Recursos Hídricos e
Ingeniería Hidroeléctrica, Universidad de Tecnología de Xi’an, China)
Año de Publicación: 2011
Lugar de Publicación: 7ma Conferencia Internacional sobre Computación Natural (7th
International Conference on Natural Computation)
Introducción
Idea principal: Crear un mejor algoritmo genético (más eficiente, rápido, etc.)
Razón: Algoritmos existentes a la fecha pueden presentar problemas significativos, siendo los
principales la convergencia prematura y la baja velocidad de convergencia
El Algoritmo
Directional Self-Learning Genetic Algorithm (DSLGA)
Utiliza corrección por dirección en base a los parámetros descartados y a los que se quedan, en
base a dos operadores (de dirección y de actualización de datos), además de un tercero, que se
encarga de “realizar la limpieza”
m ax f
x
s .a . x k '  x k  x k ''
Operador de Dirección
d 
fit ( M ax i )  fit ( x i )
fit ( M ax i )
donde fit es la función de valor de adaptación
El Algoritmo
Operador de dirección autodidacta:
L
i
si
 xi

 N ew i si
i 1
i 1
N ew i   e1 i ,..., e ni 
e i , k  x i , k  U  1  r ,1  r 
r   0,1
M ax i   m1 ,...m n 
fit ( Li ) ? fit  M ax i 
El Algoritmo
Operador de dirección autodidacta:
Op.1
e
1
i ,k
 m k  d   m k  Li , k
N ew
e
2
i,k
N ew
1
i
 e
Op.2 m '   m  x '  /  x '' x ' 
k
k
k
k
k

1
, ..., e
i ,1
1
i,n

 e 1 i , k
 
1
 e i , k  G  0,1 / t 
2
i
 e
2
, ..., e
i ,1
2
i,n
si U  0,1   1 / n
si no

Operador de muerte
deadnum  fix  l  T

Ejecución
Sean x(t) los individuos en la generación t, cbest(t) el mejor individuo de la generación, y best el
mejor individuo histórico.
El algoritmo se ejecuta de la siguiente forma
(1) Inicializar
(2) Cruza,
mutación y
selección de
individuos
(3) Purga y
selección de
cbest(t)
(4) Operadores
de dirección en
cbest(t).
Actualización
de cbest(t)
¿Cumple con
criterio de
convergencia?
No
Sí
Fin
Análisis del método
Prueba en funciones multidimensionales
◦ 5 funciones
Análisis del método
Prueba en funciones multidimensionales
◦ Resultados
Análisis del método
Prueba en funciones multidimensionales:
◦ Comparación con MAGA
◦ ¿Qué es MAGA?
◦ Multi-agent genetic algorithm
◦ Algoritmo:
◦ 1.- Genera población
◦ 2.- Competencia -> Generación n+1/3
◦ 3.- Para un porcentaje arbitrario de la población, operador ortogonal -> Generación n+2/3
◦ 4.- Para el mismo porcentaje, operador de mutación -> Generación n+1
◦ 5.- Operador de autoaprendizaje
◦ 6.- Elegir al mejor
◦ 7.- Verificar criterios de convergencia
Análisis del método
Prueba en funciones multidimensionales:
◦ Comparación con MAGA (Multi-agent genetic algorithm)
Análisis del método
Prueba en modelo hidrológico: Muskingum
dW
 I Q
dt
W  K Q '  K  xI   1  x  Q 
Q 1   Q 1 
Q  i   C 0 I  i   C1 I  i  1  C 2Q  i  1
C 0  C1  C 2  0
Análisis del método
Prueba en modelo hidrológico: Muskingum
n
m in F 
 C I  i   C I  i  1  C
0
1
2
Q  i  1  Q  i 
i 1
Aplicado al canal del sur entre los ríos Chenggou y Linqing, en China  t  1 2 h
Replica paper de estimación de parámetros de Muskingum mediante GAGA
Análisis del método
Prueba en modelo hidrológico: Muskingum
◦ ¿Qué es GAGA?
◦ Gray-encoded accelerating genetic algorithm
◦ Método de algoritmo genético usando el “código Gray”
Análisis del método
Prueba en modelo hidrológico: Muskingum
◦ Resultado
Conclusiones
Funciona
Converge en mínimos globales
Tiene una mejor velocidad que varios métodos (en particular que MAGA)
Sirve para ser usado en modelos (aunque hay otros que son mejores, como GAGA)
Descargar

Un Algoritmo Genético Mejorado para la Calibración de - U